Avancées dans les techniques de création d'images CT

La tomographie par ordinateur (CT) est super importante dans le domaine de la santé. Elle aide les médecins à diagnostiquer et traiter plein de problèmes médicaux en fournissant des images détaillées de l'intérieur du corps. Les Images CT sont généralement sauvegardées dans un format spécifique appelé DICOM. Pour économiser de l’espace de stockage, certaines images sont prises à des intervalles plus grands, ce qui fait qu'on perd des détails, rendant difficile la création d'images 3D claires à partir de ces sélections.

Différents établissements médicaux utilisent différentes machines CT, ce qui peut entraîner des variations dans les images produites. Cette différence d'imagerie peut causer des complications quand il s'agit d'utiliser ces images pour des analyses avancées ou l'apprentissage automatique. Pour travailler avec des images CT provenant de différentes sources, il est crucial de s'assurer qu'elles ont les mêmes mesures. Cependant, comme les patients ont des largeurs de tranche différentes dans leurs scans, créer des ensembles d'images uniformes peut être un défi. Cela nécessite souvent de créer de nouvelles images pour combler les lacunes entre les coupes existantes.

#Méthodes

Dans cette étude, l'objectif était de créer de nouvelles images entre deux images CT existantes. Le travail a été effectué sur un PC personnel avec une carte graphique puissante et des outils logiciels spécifiques. Un langage de programmation appelé Python a été utilisé pour travailler avec les images CT. L'étude a utilisé une collection d'images de précédents scans CT de patients qui avaient été approuvés pour un usage de recherche.

Les images de la collection ont été spécifiquement prises pour aider à diagnostiquer des fractures dans les os du visage. Pour garantir la confidentialité des patients, toutes les informations identifiables ont été retirées des images avant l'analyse. Les conditions d'imagerie pour ces images n'étaient pas uniformes, ce qui signifie que certaines images peuvent avoir un aspect différent des autres.

#Préparation des Images

Pour commencer, les images ont été lues à l'aide d'une bibliothèque Python conçue pour gérer les fichiers DICOM. Les valeurs des pixels dans les images ont été ajustées à une échelle spécifique pour la cohérence. La plupart des images étaient en vue axiale, mais certaines ne l'étaient pas, et celles-ci ont été retirées du jeu de données.

#Classification des Images

Un modèle d'apprentissage profond a été construit pour classer les images CT en fonction de la zone du corps d'où elles proviennent. Les images ont été triées en six catégories : vide, tête, orbitaire, maxillaire, mandibule et cou. Le modèle a été entraîné avec un pourcentage des données disponibles et a atteint un haut niveau de précision.

Les images classées comme "vides" ont été retirées du jeu de données. Les images restantes ont été organisées en fonction de leur position. Au final, un total de 20 457 images ont été sélectionnées pour une étude plus approfondie.

#Entraînement des Modèles pour la Création d'Images

#Système de Re-Slice 1/3

Pour le premier modèle, des paires d'images ont été prises à des intervalles spécifiques. Par exemple, une image a été associée à la quatrième, en sautant la deuxième et la troisième images. Ces paires ont été combinées et utilisées comme entrée pour le modèle, tandis que la deuxième et la troisième images ont servi de sortie.

#Système de Re-Slice 1/4

Dans le deuxième modèle, une image a été associée à la cinquième image, encore une fois en sautant trois images. L'entrée pour ce modèle incluait la première et la cinquième images, tandis que la sortie incluait les deuxième, troisième et quatrième images.

#Système de Re-Slice 1/5

Le troisième modèle impliquait des écarts plus importants entre les images. Pour cela, une image a été associée à la sixième image (en sautant quatre) et collectée comme entrée. La sortie incluait les deuxième, troisième, quatrième et cinquième images.

Pour chacun de ces systèmes, un type de Réseau de neurones appelé U-net a été utilisé. Les réseaux ont été entraînés séparément pour chaque modèle afin de créer des Images intermédiaires tout en tenant compte des variations. Chaque modèle a été entraîné avec une partie des images, et le reste a été mis de côté pour les tests.

#Création de Nouvelles Images

Une fois que les modèles ont été entraînés, ils ont été utilisés pour générer de nouvelles images. Le processus impliquait d'utiliser des paires d'images du jeu de validation. L'interpolation linéaire, une méthode simple qui average les valeurs des pixels, a aussi été utilisée pour créer des images de comparaison.

L'efficacité des deux méthodes a été mesurée à l'aide de divers outils statistiques. Les images générées ont été comparées aux originales sur la base d'indexes de similarité, qui aident à déterminer à quel point les images créées étaient proches des originales.

#Résultats

Les résultats ont montré que les images créées par les modèles U-net avaient généralement de meilleurs scores de similarité par rapport à celles créées par interpolation linéaire. Cependant, il y avait des cas où le modèle U-net produisait des images avec des scores de similarité plus bas, particulièrement dans des cas où des artefacts métalliques étaient présents dans les images originales.

Les images créées par interpolation linéaire étaient plus simples et plus rapides à produire. Elles fournissaient une moyenne directe entre deux images sans beaucoup de détails. En revanche, les modèles U-net offraient des images plus complexes et détaillées, même si elles nécessitaient plus de temps et de ressources pour être créées.

#Discussion

L'étude a mis en évidence l'importance d'avoir une méthode robuste pour créer des images intermédiaires à partir de scans CT existants. Bien que l'interpolation linéaire offre une solution rapide, les nouveaux modèles U-net fournissent des résultats plus détaillés dans la plupart des cas. Cependant, la présence d'artefacts pourrait affecter la qualité des images générées.

Il est crucial de se rappeler que créer des images intermédiaires ne signifie pas que de nouvelles informations sont réellement disponibles. Parfois, les images nouvellement créées peuvent ne pas refléter de détails réels qui ont été manqués dans les scans originaux. C'est un point important dans l'imagerie médicale, car cela peut affecter le diagnostic et le traitement.

La capacité de générer des images par re-slicing peut être précieuse en pratique. Par exemple, si un médecin a besoin d'images avec un intervalle spécifique, il peut utiliser ces modèles pour créer les images nécessaires sans avoir à effectuer de nouveaux scans sur le patient.

#Conclusion

Le développement de systèmes de re-slice utilisant des modèles U-net a montré des promesses dans la génération d'images CT détaillées. Ces modèles ont surpassé la méthode plus simple d’interpolation linéaire en termes de similarité avec les images originales, même si certaines limites ont été notées. Dans l'ensemble, cette recherche vise à fournir de meilleurs outils aux médecins pour travailler avec des images CT, assurant des diagnostics plus précis et une meilleure prise en charge des patients.